| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Örüntü Tanıma | MECE 444 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Dersi tamamlayan öğrenci şunları yapabilecektir: • desen tanımada çeşitli uygulamaları formüle etmek ve tanımlamak • desen tanımaya yönelik Bayes yaklaşımını anlamak • teorik ve pratik olarak Bayes tabanlı sınıflandırıcıları ve Bayes dışı sınıflandırıcıları türetmek, oluşturmak ve kullanmak • farklı sınıflandırıcı türlerinin güçlü ve zayıf yönlerini belirleyebilmek • boyutluluğun laneti, önyargı-varyans ikilemi ve çapraz doğrulama gibi temel kavramları anlamak • farklı kümeleme tekniklerini doğrulamak ve değerlendirmek • özellik seçimi veya özellik çıkarma yoluyla çeşitli boyut azaltma yöntemlerini uygulamak • sınıflandırıcı karmaşıklığını ve düzenleme parametrelerini değerlendirmek • desen tanımanın olanaklarını ve sınırlamalarını anlamak |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | MECE311 |
| |
Dersin Tanımı:
Bu dersin amacı makine öğrenmesi tekniklerine dayalı örüntü tanımaya yönelik temel kavramları, teorileri ve algoritmaları tanıtmaktır. Bu ders örüntü tanımanın metodolojilerini, teknolojilerini ve algoritmalarını kapsar. Bayes Karar Teorisi, Tahmin Teorisi, Doğrusal Ayrım Fonksiyonları, Destek Vektör Makineleri, Karar Ağaçları, Sinir Ağları ve Kümeleme Algoritmaları gibi konular sunulacaktır. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Örüntü Tanımaya Giriş, Özellik Tespiti, Sınıflandırma |
| 2 | Olasılık Teorisi, Koşullu Olasılık ve Bayes Kuralının Gözden Geçirilmesi |
| 3 | Karar Teorisi, ROC Eğrileri, Olabilirlik Oranı Testi |
| 4 | Doğrusal ve Karesel Ayırıcılar, Fisher Ayırıcı |
| 5 | Yeterli İstatistik, Eksik veya Gürültülü Özelliklerle Başa Çıkma |
| 6 | Özvektör ve Çok Doğrusal Analiz |
| 7 | Eğitim Yöntemleri, Maksimum Olabilirlik ve Bayesian Parametre Tahmini |
| 8 | Doğrusal Diskriminant/Perceptron Öğrenimi, Gradyan İnişe Göre Optimizasyon |
| 9 | Doğrusal Diskriminant/Perceptron Öğrenimi, Gradyan İnişe Göre Optimizasyon |
| 10 | K-En Yakın Komşu Sınıflandırması |
| 11 | Detekçi Vektör Makineleri |
| 12 | Mixture Modeling, Expectation-Maximization |
| 13 | Denetimsiz Öğrenme, Kümeleme, Vektör Niceleme, K-araçları |
| 14 | Denetimsiz Öğrenme, Kümeleme, Vektör Niceleme, K-araçları |
| |
| Kaynaklar: |
| 1- Duda, R.O., Hart, P.E., and Stork, D.G. Pattern Classification.. 2nd Edition. Wiley-Interscience 2001 0471056693
2- Bishop, C. M. Pattern Recognition and Machine Learning Springer 2007 978-0-387-31073-2
|
| |
| Diğer Kaynaklar: |
| Theodoridis, S. and Koutroumbas, K. Pattern Recognition. 4th Edition Academic Press 2008 9781597492720 |
| |
| Öğretim Yöntem ve Teknikleri: |
| - Haftada 3 ders saati
- Dersin teorik kısmına eşlik edecek 1 tasarım projesi |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara Sınav | 1 | %25 |
| Proje | 1 | %30 |
| Ödev | 4 | %10 |
| Final Sınavı | 1 | %35 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |